基于人工鱼群算法的电力系统稳定器参数优化研究

为提高电网的动态稳定性,有效地抑制低频振荡,对电力系统稳定器进行优化研究和算法改进.在本研究中,将全部PSS的参数配置处理成一个优化问题,用人工鱼群算法求出各个PSS的最佳参数整定值.以所有机电模式的最小阻尼比最大为优化目标函数,以PSS参数为待优化变量,以基于K阵等值法设计的PSS参数作为人工鱼群算法初始种群的选取基准.与传统PSS配置方法相比,该方法可以使多机系统所有机电模式都能得到良好的阻尼.算例结果与预期基本相符,表明了所设计的优化算法是切实有效的.     

应用单纯形算法优化电力系统稳定器参数

提出了一种基于单纯形法的电力系统稳定器(PSS)参数优化方法。该方法以弱阻尼机电模式阻尼比构建目标函数,采用单纯形算法优化PSS参数。该方法不需要计算特征值对PSS参数的灵敏度,计算量小,收敛速度快。在IEEE新英格兰典型系统上的分析表明,该方法是一种有效的PSS优化方法,所得参数对系统运行方式的变化具有良好的鲁棒性。     

基于PSO算法的公路养护决策优化研究

针对公路养护决策中存在的问题,以路面养护为例,借助LDR指数建立养护决策模型,利用粒子群优化算法(PSO)决策模型,对不同路面条件下公路养护决策进行优化分析。研究成果将对公路养护提供决策支持,并提出利于公路养护资金优化的方法。     

基于PSO算法的神经网络集成构造方法

为合理选择组成神经网络集成的个体,使各个体间保持较大的差异度,从而提高集成所建模型的仿真精度,提出一种新的神经网络集成构造方法.独立训练出一批神经网络,采用离散粒子群优化(PSO)算法,用多维空间中0或1取值的粒子描述所有可能的神经网络集成.网络集成预测误差的估计值用组成集成的个体网络之间的相关度表示,并作为优化过程中的适应度函数.优选得到参与构成神经网络集成的部分差异度较大网络个体.对8个典型数据集回归问题的实验结果表明,该方法构造的神经网络集成普遍使用了较少的网络个体,而预测精度均好于Bagging方法等传统方法.     

基于TMS320F28335的电力系统稳定器的研究

目前国内普遍采用以电功率作为输入信号的单输入电力系统稳定器(PSS),然而在原动机功率发生变化时,PSS本身不能区分系统波动和原动机功率波动,容易引起"反调"问题.为解决该问题,设计了一种基于TMS320F28335的以发电机的电功率和转子角速度作为输入信号的双输入PSS.首先,论述了双输入PSS的模型;硬件设计部分主...     

组合电力系统自适应稳定器PSS的设计

介绍一种用于经输电线与无限大母线连接的同步发动机的组合电力系统自适应稳定器的设计方案,与传统的电力系统稳定器不同,它包括几个自适应稳定器,且这些稳定器同时又并联工作,稳定控制信号由各个单一的电力系统自适应稳定器的加权获得,同时又研究了加权系数的选择方法,最后给出的系统的仿真结果表明该稳定器与以往电力系统稳定器相比具有强的鲁棒性。     

电力系统稳定器参数的协调优化

为了优化电力系统稳定器的参数,在确定性运行方式下利用特征根灵敏度进行电力系统稳定器PSS的参数设计,利用非线性规划技术进行参数的协调优化;然后在多系统运行方式下,结合已有的概率灵敏度指标设计PSS初始参数,并利用非线性规划技术进行参数优化.在一8机系统上的试算结果表明:利用非线性规划技术对PSS的参数进行协调,可以进一步协调控制器参数.     

利用微粒群优化算法求解非线性规划问题

针对过程系统优化中的非线性规划 (NLP)问题 ,应用微粒群优化算法 (ParticleSwarmOptimization ,PSO)对其进行求解。系统介绍了PSO算法的基本思想和解题步骤 ,通过引入罚函数把PSO算法应用到NLP问题的求解中 ,可以对一般的NLP问题和非凸的NLP问题进行有效地求解。利用两个测试函数和一个过程系统优化的实例对其进行了测试并与其它算法所得的结果进行了比较。结果表明 ,PSO算法在使用的普遍性、求解的准确性方面都优于一般的算法 ,是一种有效的求解NLP问题的方法     

基于改进PSO算法的柴油机PID控制器参数优化

PID控制器因具有结构简单、鲁棒性强和适用性广的特点而得到广泛应用;其控制效果取决于比例系数(Kp)、积分系数(Ki)和微分系数(Kd)3个参数的取值。为了解决控制参数的选取,提出一种基于改进粒子群优化(ParticleSwarm Optimization,PSO)算法的PID控制器参数优化策略,并将优化方案应用于柴油机转速PID控制器。仿真研究表明,改进PSO算法的PID参数优化策略具有很强的灵活性、适应性和鲁棒性,进而验证了优化方案的可行性和有效性。     

PSS参数选择和优化的仿真分析

电力系统稳定器(PSS)的参数设置对其控制效果至关重要,以系统功率振荡和功角振荡幅值最小为目标,应用电力系统仿真软件NETOMAC,对PSS参数进行优化,保证所选定的PSS参数具有良好地抑制低频振荡的效果．仿真结果表明,应用参数优化方法,可迅速得到良好控制效果的PSS参数,并使其能满足多种运行方式的要求,是一种高效实用的参数调试方法．     

基于改进PSO算法的割刀驱动机构的优化设计

为提高立式割台的传动效率,减小振动,以半喂入式联合收割机的割刀驱动机构传动性能最佳和机构整体质量最小为目标建立数学模型,采用改进PSO算法进行割刀驱动机构的多目标优化设计。利用MATLAB-PSO工具箱验证了算法及所建数学模型的准确性和可行性; 利用VC++软件开发平台编制人机交互界面让操作者使用方便,数据显示直观。计算结果表明,在满足传动要求的情况下,最小传动角增加5.49%,机构尺寸减小23.07%。改进PSO算法多目标优化法能改善机构传动性能,减小机构尺寸,实现机构的性能优化和局部小型化。       

改进PSO算法及其在函数优化中的应用

针对微粒群算法PSO（Particle Swarm Optimization）应用于函数优化存在的问题,提出一种加入了梯度信息改进的微粒群算法。微粒群算法用于函数的优化,具有简单、效果好等优点。但是研究也表明该方法也存在着一些缺点,如计算时间较长、容易陷入局部最小等,这是由于算法本身的随机性决定的。梯度法是传统的优化方法,典型的特征是在确定优化解的方向时遵循梯度下降原则,因此在寻找优化值时方向比较确定,可以减少优化时间。为了克服PSO的缺点,在标准PSO优化策略中引入梯度原则,设计了一个具有梯度指导的PSO算法。现将改进的PSO算法应用于函数的优化,并与标准PSO算法的效果进行了比较。函数优化实验的结果表明,改进的PSO算法提高了标准PSO算法的收敛时间。     

基于粒子群优化算法的变压器参数辨识

基于模型的变压器保护原理需要对变压器绕组参数进行精确辨识.利用双绕组变压器的参数辨识方程,使用粒子群优化算法,提出了新的参数辨识算法.消除了最小二乘法计算速度慢、计算量大的局限性,可以实现对变压器绕组参数的在线精确辨识.通过Matlab/Simulink对算法进行仿真,结果表明,该算法能够正确辨识变压器绕组电阻和漏感参数,具有较好的应用前景.     

基于遗传算法的神经网络振动钻削参数优化

应用人工神经网络进行振动钻削仿真与参数优化时常用逆映射BP网 ,而BP网的逆映射极易陷入局部极小点。本文提出利用遗传算法与BP网的混合系统进行参数优化。实验结果表明 ,遗传算法是一种全局优化方法 ,可有效地应用于机械加工领域 ,为振动钻削的参数优化提供了一个新的研究方法。     

基于改进的粒子群和遗传算法的混合优化算法

分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.     

基于混合智能算法的电力系统无功优化研究

研究了电力系统的无功优化功问题,给出了结合电力市场实行的无功优化目标函数。在分析了遗传算法和蚁群算法各自优缺点的基础上,将遗传算法与蚁群算法融合,利用遗传算法的交叉、变异操作产生蚁群算法新的搜索路径,以此提高混合智能算法的全局搜索能力和收敛速度,并将混合智能算法应用于实例进行仿真。仿真结果表明,该混合智能算法具有快速的收敛速度和优良的全局优化能力。     

基于ANN-GA的注塑参数优化系统及其应用

在以人工智能技术为基础的注塑工艺参数优化系统的开发方面进行了研究．构建了以混合神经网络与遗传算法方法为基础，并结CAE技术的参数优化系统，编制了应用程序，通过工程实例，将参数优化系统的预测结果与CAE模拟结果进行比较和误差分析，显示出优化系统的稳定性和可靠性；优化结果与CAE模拟结果及实验验证的结果具有一致性，证明优化结果是正确的，表明基于混合神经网络与遗传算法方法的注塑工艺参数优化系统具有工程应用价值。     

基于改进简化粒子群算法的含DG的配电网无功优化

分布式电源(Distributed Generation,DG)并网能够有效支撑电网,增加电网运行的灵活性,对含DG的配电网进行无功优化能够有效提高电能质量,降低网损,保证配电网安全、稳定、经济运行。为此,建立了以有功网损最小为目标函数的数学模型,同时,为保证节点电压和DG无功出力在各自允许范围内,分别建立了节点电压越限罚函数和DG无功出力越限罚函数。针对基本粒子群算法易早熟、收敛精度差、迭代后期收敛速度慢等问题,给出了一种惯性权重和学习因子动态变化的简化粒子群算法。该算法舍去粒子速度项,使惯性权重随迭代次数呈指数函数变化,学习因子随迭代次数呈正弦函数变化。以含DG的IEEE33节点配电系统为例进行无功优化分析,结果表明:DG能增强电网运行的稳定性,所提算法具有较好的优化性能。     

基于新型模拟退火算法的PSS参数优化方法

提出一种基于单纯形-模拟退火算法的电力系统稳定器(PSS)参数优化方法.以弱阻尼机电模式阻尼比构建目标函数,将单纯形法搜寻机理嵌入到模拟退火算法的基本步骤中,综合模拟退火算法全局搜索能力强、单纯形算法局部收敛速度快的优点.在新英格兰典型系统上的特征值分析表明,该方法是一种有效的PSS优化方法,所得的参数对系统运行方式的变化具有良好的鲁棒性.     

改进PSO算法解决电力系统机组优化组合问题

机组组合优化问题是一个大规模、离散、非线性的混合整数规划问题,所以求解比较困难,不容易找到理论上的最优解。本文在基本粒子群算法（PSO）的基础上,使用一种空间收缩策略,加快了算法的收敛速度。同时,为了避免算法出现“早熟”现象,让粒子不仅根据自身和同伴中的最好个体进行调整自己的飞行速度,并且向其他个体学习,以及通过改进的粒子群算法（MPSO）进行仿真计算,证明了该算法的有效性。